[发明专利]一种基于词袋模型的卡口无牌车辆车型识别方法

摘要

本发明提供了一种基于词袋模型的卡口无牌车辆车型识别方法，该方法首先基于直方图完成车辆检测，基于梯度密度完成车脸定位，之后基于词袋模型进行车型分类，包括训练与测试两部分，并针对词袋模型忽略词汇之间关联而导致分类效果不佳的问题，对空间信息进行构造。在构造空间信息时，分为全局空间信息与局部空间信息两部分进行计算，其中全局空间信息的获取来自相同标记图像块间的空间角度关系，首先将图像相同标记的图像块按到原点的距离大小进行排序，并依次计算相邻两图像块与横轴之间的夹角，统计关于各个标记的全局角度直方图信息；局部信息则按照特定方法计算相同标记块出现的局部频率直方图。将二者直方图信息结合起来，完成词袋空间信息的构造。该方法准确率较高，且在定位精准上，对车脸定位要求较低，运行时间少，可满足一般应用要求。

主权项

1.一种基于词袋模型的卡口无牌车辆车型识别方法，其特征在于，包括以下步骤：S01、读入一批卡口车辆图像，采用直方图分析法完成车辆定位后的图像，包括各个车型的车辆；S02、提取车辆的前脸区域：采用Roberts算子对图像进行边缘检测，将边缘检测图像进行密度连接，对连接后的图像作相应分析得到车脸的水平边界，对水平分割后的图像再次进行密度连接，分割出车脸的垂直边界，最终得到车脸图像；S03、对车脸图像进行分块，提取图像块的尺度不变局部特征算子特征；S04、训练各类车辆车型，生成训练模板：训练图像为各个车型的车前脸图像，每个车型包括30张图像，利用K‑means聚类成词袋模型字典，并构造空间信息，最后采用支持向量机对训练图像进行训练，得到训练模型；S05、对测试图像进行车型分类：将每个图像块映射到词袋的字典中后，测试图像即表示为视觉词汇的直方图形式，同时构造词典模型的空间信息，采用支持向量机支持向量机对其进行分类；所述步骤S02包括：(1)采用Roberts算子对输入图像Im进行边缘检测得到边缘图Im_edge，计算Im_edge中像素个数edge_sum，当edge_sum>4000时，密度连接阈值设为Tr＝40，当edge_sum<4000时，密度连接阈值Tr＝30；(2)对边缘图Im_edge作密度连接操作，采用10×30大小的滑动窗口进行计算，滑动单位为5，当窗口内像素数大于Tr时，将该窗口水平方向下半部分所对应的图像位置像素全部置为255，依次滑动窗口，最终得到密度连接后图像Im_conn；(3)对密度连接图像Im_conn进行行方向求和，并计算得到和为非零的行位置conn_hz，根据conn_hz中相邻元素的差进行区分，当相邻2个值大于5时分为2部分，依次查看conn_hz中的值，从而将Im_conn中斑点按水平方向分为几个部分，针对这几个部分，分别根据位置、宽度、像素个数进行分析，排除不可能的区域，得到车脸的水平位置；(4)对水平分割后的图像再次进行密度连接，分割出车脸的垂直边界，最终得到车脸图像；所述步骤S03包括：将车脸图像I进行规则的网格分割，分成块p1、块p2、块pn，n为块数量，每个块为16×16像素，并对每个图像块进行稠密尺度不变局部特征算子特征描述，最终图像I将得到128×n维的特征向量{d1,d2..dj..dn},dj表示第j个块的特征向量，维数为128。